Documente Academic
Documente Profesional
Documente Cultură
Curs ACC
Lect. Univ. Dr. Labăr Adrian Vicențiu
1
Analiza factorială
Analiza factorială este o tehnică de reducere a datelor folosită pentru a reduce un număr
mare de variabile la un set redus de factori subiacenţi care să exprime informaţiile esenţiale
conţinute în variabilele iniţiale.
Scopul general al analizei factoriale este descoperirea unui număr redus de factori latenţi
care să reprezinte cât mai bine un număr mare de variabile (observabile) care corelează
între ele.
2
Analiza factorială
Există două forme fundamentale de analiză factorială:
A naliza factorială exploratorie (Exploratory factor analysis – EFA) care îşi propune
stabilirea unui număr de factori comuni pentru un set dat de variabile şi identificarea naturii
psihologice a acestora (se poate realiza în SPSS);
Analiza factorială confirmatorie (Confirmatory factor analysis - CFA) care îşi propune
să testeze ipotezele legate de gradul de adecvare a soluţiilor obţinute în urma analizei
exploratorii (se realizează doar prin anumite programe statistice specializate precum Amos,
Lisrel, Mplus).
3
Analiza factorială
Dacă variabilele ar corela doar cu ele însele şi nu ar corela deloc cu celelalte variabile,
atunci matricea de corelaţii ar fi o matrice-identitate care ar avea 1 pe diagonală şi 0 în
rest.
Testul Barlett verifică ipoteza nulă conform căreia matricea de corelaţii este o matrice-
identitate; dacă rezultatul la acest test este semnificativ atunci putem respinge ipoteza nulă
şi accepta ipoteza de cercetare conform căreia matricea de corelaţii diferă de o matrice-
identitate, ceea ce înseamnă că există anumite relaţii între variabile iar acestea sunt
potrivite pentru a aplica analiza factorială.
4
Analiza factorială
5
Analiza factorială
– determinantului matricei de corelaţii trebuie să fie mai mare decât .00001; în caz
contrar, există multicoliniaritate sau singularitate şi trebuie ca în matricea de corelaţii
să identificăm variabilele între care există corelaţii peste .80 pentru a proceda la
eliminarea uneia (sau mai multora) dintre aceste variabile.
6
Analiza factorială
Comunalităţile ne arată cât de mult din varianţa unei variabile este explicată de factorii
extraşi.
Comunalitatea unei variabile (notată h2) este pătratul coeficientului de corelaţie multiplă
dintre variabilă şi factori (R2 din regresia multiplă în care variabila este VD iar factorii sunt
VI) şi reprezintă proporţia din varianţa acelei variabile explicată de factorii extraşi.
7
Analiza factorială
Ce facem atunci când o variabilă are saturaţii apropiate în cel puţin doi factori? Acest fapt
ne spune că variabila X explică un procent de varianţă aproximativ egal atât din factorul A
cât şi din factorul B (aşadar nu defineste clar nici unul dintre cei doi factori) şi prin urmare
ar trebui eliminată din analiză şi refăcută analiza factorială.
8
Analiza factorială
Criterii privind numărul de factori extraşi:
1. Criteriul lui Kaiser – vom reţine toţi factorii care au valori eigenvalue peste 1.
5. Criteriul teoretic: dacă scala a fost construită pe baza a trei dimensiuni, atunci vom
extrage 3 factori şi nu mai mulţi.
Criteriu suplimentar – analiza post hoc: coeficienţii alfa Cronbach pentru fiecare factor sa
fie optimi (mai mari de 0.70)! 9
Analiza factorială
Calea în SPSS este: Analyze – Dimension Reduction – Factor.
Trecem variabilele (C1-C14) în câmpul din dreapta Variables.
Actrivăm butonul Extraction iar aici bifăm: Fixed number of factors. Factors to
extract...... iar în căsuța activată trecem numărul de factori pe care vrem să-i extragem.
10
Analiza factorială – rezultate
Matricea de corelații și determinantul ca notă de subsol:
Correlation Matrixa
C1 C2 C3 C4 C5 C6 C7
Correlation C1 1,000 ,542 ,298 ,495 ,236 ,189 -,433
C2 ,542 1,000 ,230 ,434 ,164 ,200 -,467
C3 ,298 ,230 1,000 ,252 ,632 ,145 ,015
C4 ,495 ,434 ,252 1,000 ,280 ,064 -,331
C5 ,236 ,164 ,632 ,280 1,000 ,098 -,083
C6 ,189 ,200 ,145 ,064 ,098 1,000 -,053
C7 -,433 -,467 ,015 -,331 -,083 -,053 1,000
C8 ,107 ,116 ,291 ,115 ,066 ,448 -,031
C9 ,350 ,232 ,690 ,215 ,816 ,225 -,134
C10 ,227 ,138 ,451 ,144 ,310 ,456 ,074
C11 -,286 -,331 -,164 -,426 -,122 ,012 ,377
C12 ,433 ,273 ,236 ,582 ,275 -,027 -,310
C13 ,368 ,381 ,524 ,437 ,655 ,117 -,268
C14 ,700 ,656 ,341 ,501 ,263 ,256 -,444
a. Determinant = 7,520E-04
11
Analiza factorială – rezultate
Rezultatul la testul de sfericitate Bartlett χ2 (91) = 773.218, p < .001.
Indexul KMO general KMO = .817 caracterizează setul de variabilele ca fiind foarte bun
pentru analiza factorială.
12
Analiza factorială – rezultate
Indexul KMO pentru fiecare item.
Vom inspecta jumătatea inferioară a tabelului, respectiv diagonala principală a câmpului
Anti-image Correlation; dacă pe această diagonală principală apar valori sub .50 atunci
itemul căruia îi corespunde acea valoare are o slabă adecvare pentru modelul factorial şi
trebuie înlăturat.
Anti-image Matrices
C1 C2 C3 C4 C5 C6
Anti-image Covariance C1 ,433 -4,32E-02 -2,20E-02 -8,26E-02 3,465E-02 -6,86E-03
C2 -4,32E-02 ,470 -2,59E-02 -5,78E-02 1,713E-02 -2,94E-02
C3 -2,20E-02 -2,59E-02 ,421 5,109E-03 -5,67E-02 7,903E-02
C4 -8,26E-02 -5,78E-02 5,109E-03 ,475 -6,70E-02 1,959E-02
C5 3,465E-02 1,713E-02 -5,67E-02 -6,70E-02 ,261 9,964E-04
C6 -6,86E-03 -2,94E-02 7,903E-02 1,959E-02 9,964E-04 ,682
C7 9,464E-02 ,108 -,128 -5,68E-03 -3,37E-03 -1,75E-02
C8 8,030E-02 1,203E-02 -7,52E-02 -2,45E-02 7,179E-02 -,151
C9 -3,83E-02 2,537E-02 -7,55E-02 8,258E-02 -,150 -2,31E-02
C10 -7,13E-02 -9,30E-04 -5,71E-02 -5,64E-02 1,643E-03 -,120
C11 -2,41E-02 5,290E-02 6,809E-02 ,142 -5,40E-03 -2,44E-02
C12 -3,46E-02 ,113 5,481E-03 -,170 4,594E-03 6,024E-02
C13 3,250E-02 -8,28E-02 -4,06E-02 -6,41E-02 -7,44E-02 -6,80E-03
C14 -,143 -,157 -2,90E-02 -1,09E-02 2,602E-02 -7,35E-02
Anti-image Correlation C1 ,862a -9,59E-02 -5,14E-02 -,182 ,103 -1,26E-02
C2 -9,59E-02 ,830a -5,83E-02 -,122 4,891E-02 -5,20E-02
C3 -5,14E-02 -5,83E-02 ,879a 1,143E-02 -,171 ,148
C4 -,182 -,122 1,143E-02 ,823a -,190 3,444E-02
C5 ,103 4,891E-02 -,171 -,190 ,774a 2,361E-03
C6 -1,26E-02 -5,20E-02 ,148 3,444E-02 2,361E-03 ,788a
C7 ,184 ,202 -,254 -1,06E-02 -8,46E-03 -2,72E-02
C8 ,166 2,387E-02 -,158 -4,84E-02 ,191 -,248
13
C9 -,124 7,868E-02 -,247 ,255 -,624 -5,94E-02
C10 -,162 -2,03E-03 -,132 -,123 4,812E-03 -,218
C11 -4,34E-02 9,147E-02 ,124 ,244 -1,25E-02 -3,50E-02
Analiza factorială – rezultate
Comunalitățile după extragere, h2 să fie mai mari de .20. Dacă un item are o comunalitate
mai mică, el ar trebui eliminat.
Communalities
Initial Extraction
C1 1,000 ,620
C2 1,000 ,593
C3 1,000 ,698
C4 1,000 ,553
C5 1,000 ,833
C6 1,000 ,612
C7 1,000 ,514
C8 1,000 ,660
C9 1,000 ,829
C10 1,000 ,744
C11 1,000 ,369
C12 1,000 ,527
C13 1,000 ,699
C14 1,000 ,726
Extraction Method: Principal Component Analys is .
14
Analiza factorială – rezultate
Varianța explicată de cei 3 factori extrași: 64.127 %.
Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Component Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %
1 5,031 35,936 35,936 5,031 35,936 35,936 3,672 26,228 26,228
2 2,317 16,547 52,483 2,317 16,547 52,483 3,154 22,531 48,759
3 1,630 11,644 64,127 1,630 11,644 64,127 2,152 15,369 64,127
4 ,892 6,368 70,495
5 ,765 5,465 75,960
6 ,634 4,526 80,486
7 ,557 3,976 84,463
8 ,502 3,587 88,049
9 ,449 3,211 91,260
10 ,313 2,233 93,493
11 ,286 2,042 95,535
12 ,263 1,882 97,417
13 ,223 1,590 99,007
14 ,139 ,993 100,000
Extraction Method: Principal Component Analys is .
15
Analiza factorială – rezultate
Reproduced Correlations
Procentul de reziduuri C1 C2 C3 C4 C5
Reproduced Correlation C1 ,620b ,599 ,290 ,566 ,253
nonredundante mai mari de C2 ,599 ,593b ,196 ,538 ,143
0.05 să fie mai mic de 50 %. C3 ,290 ,196 ,698b ,271 ,727
C4 ,566 ,538 ,271 ,553b ,288
C5 ,253 ,143 ,727 ,288 ,833b
ZTPI în CFA.
18